Modul
Intelligente Systeme und Services [M-WIWI-101456]
Leistungspunkte
9Turnus
Jedes SemesterDauer
1 SemesterSprache
Deutsch/EnglischLevel
4Version
8Verantwortung
Einrichtung
- KIT-Fakultät für Wirtschaftswissenschaften
Bestandteil von
Teilleistungen
| Identifier | Name | LP |
|---|---|---|
| T-WIWI-102666 | Knowledge Discovery | 4.5 |
| T-WIWI-112243 | Machine Learning on Graphs | 4.5 |
| T-WIWI-106423 | Information Service Engineering | 4.5 |
| T-WIWI-110548 | Praktikum Informatik (Master) | 4.5 |
| T-WIWI-110848 | Semantic Web Technologies | 4.5 |
| T-WIWI-112685 | Modeling and Simulation | 4.5 |
| T-WIWI-102661 | Datenbanksysteme und XML | 4.5 |
Erfolgskontrolle(n)
Die Modulprüfung erfolgt in Form von Teilprüfungen über die gewählten Lehrveranstaltung des Moduls, mit denen in Summe die Mindestanforderung an Leistungspunkten erfüllt ist.
Die Erfolgskontrolle zu den Vorlesungen erfolgt in Form einer schriftlichen Prüfung im Umfang von 60 Minuten nach § 4 Abs. 2 Nr. 1 SPO.
Die Bewertung des Praktikums erfolgt benotet als Prüfungsleistung anderer Art nach § 4 Abs. 2 Nr. 3 SPO.
Die Gesamtnote des Moduls wird aus den mit LP gewichteten Teilnoten gebildet und nach der ersten Kommastelle abgeschnitten.
Qualifikationsziele
Die Studierenden
- kennen verschiedene maschinelle Verfahren zum überwachten als auch zum unüberwachten Erlernen von Wissen,
- identifizieren die Vor- und Nachteile der verschiedenen Lernverfahren,
- wenden die erlernten maschinellen Lernverfahren in spezifische Szenarien an,
- vergleichen die praktische Einsetzbarkeit der Methoden und Algorithmen mit alternativen Ansätzen.
Voraussetzungen
Keine
Inhalt
Als lernende Systeme versteht man im weiteren Sinne biologische Organismen und künstliche Systeme, die durch die Verarbeitung äußerer Einflüsse ihr Verhalten verändern können. In der Informatik stehen hierbei maschinelle Lernverfahren im Zentrum der Betrachtung, die auf symbolischen, statistischen und neuronalen Ansätzen beruhen.
In diesem Module werden die wichtigsten maschinellen Lernverfahren eingeführt und ihr Einsatz im Bezug auf verschiedene Informationsquellen wie Daten, Texte und Bilder aufgezeigt. Dabei wird insbesondere auf Verfahren zur Wissensgewinnung mittels Data und Text Mining, naturanaloge Lernverfahren sowie die Anwendung maschineller Lernverfahren im Bereich Finance eingegangen.
Arbeitsaufwand
Der Gesamtarbeitsaufwand für dieses Modul beträgt ca. 270 Stunden (9 Credits). Die Aufteilung erfolgt nach den Leistungspunkten der Lehrveranstaltungen des Moduls. Dabei beträgt der Arbeitsaufwand für Lehrveranstaltungen mit 4 Credits ca. 120h, für die Lehrveranstaltungen mit 4,5 Credits ca. 135h und für Lehrveranstaltungen mit 5 Credits ca. 150h.
Die Gesamtstundenzahl je Lehrveranstaltung ergibt sich dabei aus dem Aufwand für den Besuch der Vorlesungen und Übungen, sowie den Prüfungszeiten und dem zeitlichen Aufwand, der zur Erreichung der Lernziele des Moduls für einen durchschnittlichen Studenten für eine durchschnittliche Leistung erforderlich ist.